Yöntem kanıt kaydı

Machine Learning Conflict Prediction

Machine learning conflict prediction uses flexible supervised algorithms — random forests, gradient boosting, neural networks, regularized regression — to forecast the onset of armed conflict from large sets of features, prioritizing out-of-sample predictive accuracy over coefficient interpretation. Muchlinski, Siroky, He, and Kocher (2016) showed that random forests substantially outperform logistic regression at predicting class-imbalanced civil-war onset, catalyzing a shift in conflict research toward algorithmic prediction, rigorous out-of-sample validation, and the recognition that explanation and prediction are distinct goals.

Sources recorded, not reviewed

Kaynak kayıt

Alıntılar, yöntemin kaynak kaydından harfi harfine kopyalanmıştır. Bunlardan herhangi bir düzeyde doğrulama çıkarımı yapılmamıştır.

Machine Learning Methods for Predicting Armed Conflict

Taksonomik yöntem kaydı · ml-model / international-relations

Muchlinski, D., Siroky, D., He, J., & Kocher, M. (2016). Comparing random forest with logistic regression for predicting class-imbalanced civil war onset data. Political Analysis, 24(1), 87–103. · DOI 10.1093/pan/mpv024

Tam yöntemi aç

Derlenmiş iddialar

Her biri kendi değerlendirmesiyle birlikte kanıt defterine kaydedilmiş iddialar.

Henüz derlenmiş iddia yok

Bu görünüm, defterde hiç iddia olmadığında bir iddia değerlendirmesi icat etmez.

İlgili yöntemler

Yöntem grafiğinden oluşturulmuştur ve makine tarafından önerilen ilişkiler olarak gösterilir — herhangi bir kanıt iddiası çıkarımı yapılmamıştır.

Same method familyConflict Forecastingmachine-suggested · Relational suggestion, not evidence.Used in the same domainDyadic Conflict Analysismachine-suggested · Relational suggestion, not evidence.See alsoLogistic Regressionmachine-suggested · Relational suggestion, not evidence.